مدونة

Dynamic Mode Decomposition fits a linear operator to nonlinear market dynamics. The only question that matters: do the fitted modes persist from one window to the next, and does the rolling spectral radius lead realised volatility? Here is the measurement protocol and the code to run it.

The blog's standing answer to the accuracy-vs-latency tension is a two-stage fast/slow split. Distillation is a different answer: train one small model to mimic the ensemble. The KD loss, temperature, born-again nets, early exits for a variable latency budget, and the distill-to-FPGA pipeline — plus the measurements that would decide whether it beats the two-stage split.

Selection bias in the search is not the only way a regression fools you. When the regressor is correlated with the error, more data makes the estimate more confidently wrong. Instrumental variables applied to the one endogeneity problem this blog has already left open: permanent impact from net taker flow.

Fitting a self-exciting point process to real crypto trade tape: where the three numbers (mu, alpha, beta) come from, how to estimate the branching ratio n, whether the exponential kernel survives a goodness-of-fit test, and how much n moves when you change the estimation window.

Hamiltonian Neural Networks are provably stable — but stability is worthless if the conserved quantity does not exist. Learning a scalar H via autograd, symplectic integration, and the falsification test that decides whether a financial (q, p) pair is canonical at all.

تم إجراء علاقة سببية جرانجر على أسعار العملات المشفرة بطريقتين - العوائد المتباينة وتودا-ياماموتو على المستويات - مع تطبيق والد الصحيح، ومصفوفة سببية مصححة فعالة N، واختبار الاستقرار المتجدد لمعرفة ما إذا كان التأخير قابلاً للتداول على الإطلاق.

تصميم النواة للسلاسل الزمنية المالية - خشونة الأم، والتركيب الدوري المحلي، والمخاليط الطيفية - والاحتمال الهامشي كمنظم لا يحتاج إلى مجموعة التحقق من الصحة. بالإضافة إلى القائمة الصادقة لما لا يزال يتعين قياسه قبل أن يصبح أي منها قابلاً للتداول.